A perfuração horizontal tornou-se um meio importante para as companhias petrolíferas aumentarem a produção por poço em reservatórios compactos e não convencionais. No entanto, devido à complexa relação espacial entre a trajetória do poço horizontal e as formações geológicas, as abordagens tradicionais de análise de poços verticais não podem ser aplicadas efetivamente. Descrever com precisão a relação espacial entre a trajetória do poço horizontal, a camada alvo e a rocha circundante é a principal tarefa na interpretação dos dados de poço horizontal. A abordagem predominante atualmente baseia-se na construção de um modelo inicial da formação geológica com base em poços de guia e no ajuste segmentado do modelo utilizando a simulação direta dos dados de poço, porém este método tem baixa eficiência temporal e requer muitos cálculos repetidos para diferentes poços na mesma região. Portanto, a construção de um modelo poço-formação razoável é fundamental no processamento e interpretação dos dados de poço horizontal. O modelo poço-formação pode descrever com precisão a relação espacial entre o poço e a interface da formação, incluindo a distância entre a posição do poço e a interface da formação, o ângulo entre o eixo do poço e a direção normal da formação, entre outros. Além disso, métodos de análise de dados de poço baseados em aprendizado de máquina e inteligência artificial, treinando modelos inteligentes, têm sido aplicados em todos os aspectos da interpretação dos dados de poço, com a expectativa de superar os gargalos dos métodos tradicionais. Assim, propomos um método automatizado de interpretação de dados de poço horizontal baseado em ensemble de múltiplos modelos e rede neural profunda: primeiramente, construímos um modelo teórico que inclui diferentes trajetórias de poço e combinações de formação, gerando uma biblioteca de amostras de resposta dos dados de poço; em seguida, integramos modelos de aprendizado de máquina como eXtreme Gradient Boosting (XGBoost), Light Gradient Boosting Machine (LightGBM) e Categorical Boosting (CatBoost) e, via perceptron multicamadas (MLP), fundimos os resultados preditivos de cada modelo; finalmente, realizamos o reconhecimento inteligente e automático das relações geométricas entre a trajetória do poço e a rocha circundante com base nos dados reais. A análise de casos demonstra que o método captura com precisão as características complexas da resposta dos dados de poço horizontal, melhora significativamente a velocidade e a precisão da interpretação, podendo atender à demanda de análise rápida de múltiplos poços em ambientes geológicos similares, proporcionando um meio inteligente e eficiente para a interpretação de dados de poços horizontais.

poço horizontal;interpretação de dados;inteligência artificial;aprendizado profundo;modelagem de formações